DenoiseRep: Denoising Model for Representation Learning

要約

ノイズ除去モデルは強力な生成モデルであることが証明されていますが、識別タスクについてはほとんど調査されていません。
表現学習は識別タスクにおいて重要であり、これは「分類器や他の予測器を構築する際に有用な情報を抽出しやすくするデータの表現 (または特徴) を学習すること」として定義されます。
この論文では、結合特徴抽出とノイズ除去による特徴識別を改善するための新しい表現学習用ノイズ除去モデル (DenoiseRep) を提案します。
DenoiseRep は、バックボーン内の各埋め込み層をノイズ除去層として表示し、機能を段階的に再帰的にノイズ除去しているかのように、カスケードされた埋め込み層を処理します。
これにより、特徴抽出とノイズ除去のフレームワークが統合され、前者は低レベルから高レベルに段階的に特徴を埋め込み、後者は特徴を段階的に再帰的にノイズ除去します。
その後、DenoiseRep は特徴抽出層とノイズ除去層のパラメーターを融合し、融合の前後でその等価性を理論的に実証し、特徴量除去の計算を不要にします。
DenoiseRep は、機能を段階的に改善するラベルフリーのアルゴリズムですが、利用可能な場合はラベルを補完します。
再識別 (Market-1501、DukeMTMC-reID、MSMT17、CUHK-03、vehicleID)、画像分類 (ImageNet、UB200、Oxford-Pet、Fflowers)、物体検出 (COCO)、
画像セグメンテーション (ADE20K) は、安定性と印象的な改善を示しています。
また、CNN (ResNet) および Transformer (ViT、Swin、Vmamda) アーキテクチャでの有効性も検証します。

要約(オリジナル)

The denoising model has been proven a powerful generative model but has little exploration of discriminative tasks. Representation learning is important in discriminative tasks, which is defined as ‘learning representations (or features) of the data that make it easier to extract useful information when building classifiers or other predictors’. In this paper, we propose a novel Denoising Model for Representation Learning (DenoiseRep) to improve feature discrimination with joint feature extraction and denoising. DenoiseRep views each embedding layer in a backbone as a denoising layer, processing the cascaded embedding layers as if we are recursively denoise features step-by-step. This unifies the frameworks of feature extraction and denoising, where the former progressively embeds features from low-level to high-level, and the latter recursively denoises features step-by-step. After that, DenoiseRep fuses the parameters of feature extraction and denoising layers, and theoretically demonstrates its equivalence before and after the fusion, thus making feature denoising computation-free. DenoiseRep is a label-free algorithm that incrementally improves features but also complementary to the label if available. Experimental results on various discriminative vision tasks, including re-identification (Market-1501, DukeMTMC-reID, MSMT17, CUHK-03, vehicleID), image classification (ImageNet, UB200, Oxford-Pet, Flowers), object detection (COCO), image segmentation (ADE20K) show stability and impressive improvements. We also validate its effectiveness on the CNN (ResNet) and Transformer (ViT, Swin, Vmamda) architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google